ANALISIS SEGMENTASI PELANGGAN  PADA DATA PENJUALAN ELEKTRONIK  MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING

Aditya Jordy; Nana Suarna; Agus Bahtiar; Edi Wahyudin

Authors

Aditya Jordy STMIK IKMI Cirebon, Indonesia
Nana Suarna STMIK IKMI Cirebon, Indonesia
Agus Bahtiar STMIK IKMI Cirebon, Indonesia
Edi Wahyudin STMIK IKMI Cirebon, Indonesia

Keywords:

Segmentasi Pelanggan, K-Means, Clustering, Davies-Bouldin Index

Abstract

Perkembangan teknologi informasi telah mendorong peningkatan jumlah data transaksi, khususnya pada sektor penjualan elektronik. Data transaksi tersebut mengandung informasi penting terkait perilaku pelanggan yang dapat dimanfaatkan untuk mendukung pengambilan keputusan bisnis. Namun, dalam praktiknya, data tersebut sering kali belum diolah secara optimal sehingga belum mampu memberikan insight yang signifikan. Oleh karena itu, penelitian ini bertujuan untuk melakukan segmentasi pelanggan menggunakan algoritma K-Means berdasarkan data transaksi penjualan elektronik.Tahapan penelitian diawali dengan proses preprocessing data yang meliputi pembersihan data (data cleaning), transformasi data, dan normalisasi untuk menghasilkan dataset yang siap digunakan dalam proses clustering. Selanjutnya, dilakukan proses pengelompokan data menggunakan algoritma K-Means dengan menguji beberapa nilai jumlah cluster (K). Penentuan jumlah cluster optimal dilakukan dengan menggunakan metode evaluasi Davies-Bouldin Index (DBI), dimana nilai DBI yang lebih kecil menunjukkan kualitas cluster yang lebih baik. Hasil penelitian menunjukkan bahwa jumlah cluster optimal diperoleh pada K = 2 dengan nilai DBI sebesar 0,073, yang mengindikasikan bahwa cluster yang dihasilkan memiliki tingkat pemisahan yang baik. Berdasarkan hasil clustering, dilakukan interpretasi terhadap nilai centroid untuk mengidentifikasi karakteristik masing-masing segmen pelanggan. Hasil analisis menunjukkan bahwa pelanggan terbagi menjadi dua kelompok utama, yaitu pelanggan dengan tingkat pembelian tinggi dan pelanggan dengan tingkat pembelian rendah. Dengan demikian, penelitian ini menunjukkan bahwa penerapan algoritma K-Means yang terintegrasi dengan tahapan preprocessing dan evaluasi menggunakan Davies-Bouldin Index (DBI) mampu menghasilkan segmentasi pelanggan yang akurat dan dapat digunakan sebagai dasar dalam penyusunan strategi pemasaran berbasis data.

References

N. Gautam and N. Kumar, “Customer Segmentation Using K-Means Clustering for Developing Sustainable Marketing Strategies,” 2022.

J. Zhao, “Customer Segmentation Application Based on K-Means,” 2022.

A. B. Gopakumar, G. Krishnan, and N. L. Rozario, “Customer Segmentation Using K-Means Algorithm,” 2022.

B. Apriyanto and S. L. M. Sitio, “Penerapan K-Means dalam Menganalisis Pola Pembelian Pelanggan Pada Data Transaksi E-Commerce,” 2023.

C. H. Ardana, A. A. A. Aisyah Ainur Khoyum, and M. Faisal, “Segmentasi Pelanggan Penjualan Online Menggunakan Metode K-Means Clustering,” 2023.

Anugra, S. Al Tarif, Muh. S. Natsir, and R. A. Djamro, “Analisis Strategi Pemasaran Digital Dalam Memperluas Jangkauan Pemasaran Produk Toko Algifari Dengan Menggunakan K-Means,” 2023.

Vina, N. Rahaningsih, and I. Ali, “Segmentasi Data Transaksi Penjualan Toko Online Vastyle Menggunakan Algoritma K-Means Clustering,” 2023.

Y. Adryan, F. Rizqi, I. Bayu, R. Yosafat, and Saprudin, “Analisis Segmentasi Pelanggan Mall Menggunakan Metode K-Means Clustering dan Elbow untuk Optimasi Strategi Pemasaran,” Jurnal Riset dan Inovasi Informatika, 2023.

A. Leto, R. Aminullah, and A. D. Rahajoe, “Customer Data Management Analysis for Customer Segmentation Using K-Means Clustering Method,” 2023.

K. Tabianan, S. Velu, and V. Ravi, “K Means clustering approach for intelligent customer segmentation using customer purchase behavior data,” Sustainability, vol. 14, no. 12, p. 7243, 2022, doi: 10.3390/su14272443.